1.一种基于数字孪生辅助的轴承智能故障诊断方法,其特征在于,所述方法包括以下步骤:第一步,构建基于数字孪生的轴承故障诊断五维模型框架,过程如下:步骤(1.1)设计五维数字孪生模型框架FDMFDT,FDMFDT包括物理实体层PEL、虚拟构建层VCL、数据交互层DIL、服务应用层SAL和检测对象 DO;
步骤(1.2)构建PEL,获取机电设备的物理实体的几何尺寸、物理尺寸与运行数据,通过对PEL数据的收集,为DO中的轴承检测对象提供了物理基础,并为VCL中的虚拟实体提供机电设备的几何尺寸、物理尺寸与实际运行数据;
步骤(1.3)构建VCL,通过与PEL建立虚实结合的关系,实时接收来自PEL的数据,并在数字环境中模拟和分析物理系统的状态和变化;
步骤(1.4)构建DIL,DIL通过信号传输协议实现框架内的信息交换,DIL是连接SAL和DO之间的桥梁,通过交互所得的数据对其进行数据增强生成仿真数据,然后通过故障诊断模型FDM进行诊断;
步骤(1.5)构建SAL,SAL提供设备运行模拟、轴承运行模拟与数字孪生可视化界面,将DIL中的故障诊断结果给呈现出来;
步骤(1.6)构建DO,从PEL中通过传感器获取相应的数据,并构建动力学数字孪生模型,为VCL提供理论依据;
第二步,物理实体层PEL与虚拟构建层VCL虚实相映,获取物理实体的几何尺寸、物理尺寸、运行数据,通过数字孪生建模工具在VCL中构建虚拟实体;
第三步,在检测对象DO中建立轴承动态仿真模型;
第四步,在数据交互层DIL中进行数据增强;
第五步,在数据交互层DIL中的DTA-SSCLMB模型进行数据预处理,对增强后的数字孪生仿真数据与真实检测对象数据分别进行归一化处理与数据划分,将设定百分比的数据划分为无标签的时域数据,剩下的数据划分为有标签的时域数据;
第六步,在数据交互层DIL中的FDM使用DTA-SSCLMB模型进行自监督时频对比学习;过程如下:步骤(6.1)使用基于通道-空间注意机制的选择性卷积核SKCS优化自监督时频对比学习,自监督时频对比学习网络是由时域编码器与频域编码器构成,而每一个编码器中的神经网络是由Resnet-18组成,时域编码器与频域编码器拥有相同的网络架构,但是不共享参数;
步骤(6.2)对从第五步中获得的进行快速傅里叶变换,获得频域数据;
步骤(6.3)将通道注意力机制CAM与空间注意力机制SAM连接构成通道-空间注意力机制CSAM;过程为:步骤(6.3.1)设计CAM,CAM是通过建模特征通道之间的依赖关系,为模型的每个通道分配权重;
步骤(6.3.2)设计SAM,SAM通过特征图空间位置的依赖关系,为每个像素位置分配权重,突出图片中的关键区域;
步骤(6.3.3)将CAM与SAM连接构成CSAM;
步骤(6.4)将CSAM嵌入到选择性卷积核SK中,构成SKCS;过程为:步骤(6.4.1)通过选择性卷积操作,获得卷积向量T与K;
步骤(6.4.2)将卷积向量T与K进行融合,获得包含T与K特征信息的V;通过批量归一化层BN、ReLU将其潜在信息嵌入到,通过上述操作,获得的F是包含T与K特征的低维通道压缩信息;
步骤(6.4.3)将T,K与F在选择Select中获得最终特征图Y,使用SoftMax函数从通道压缩信息F中选择对应的信息,与CSAM中获得通道-空间信息组合获得软注意信息W与H,最后通过W与H获得最终特征图;
步骤(6.5)将构建好的SKCS嵌入到Resnet中,构成SKCS-Resnet;
步骤(6.6)由SKCS-Resnet链接构建的时频域编码器,经编码处理后,分别获得时域编码器与频域编码器;
步骤(6.7)使用改进的互相关损失矩阵来衡量频域数据与时域数据之间的相关性,并通过损失函数训练模型;
第七步,对数据交互层DIL中的DTA-SSCLMB进行模型的微调,设计平滑小波优化方法SWK,将拉普拉斯小波核作为神经网络第一层卷积权重的初始化参数,以完成在下游任务中的故障诊断,过程如下:步骤(7.1)将参数更新后的时域编码器提取出来用于微调环节,而频域编码器用于预训练环节以增强特征表达能力,不参与微调环节;
步骤(7.2)设计平滑小波核SWK作为模型的微调优化方法,过程为:步骤(7.2.1)设计SWK,它能够从输入信号的特性提取相应特征,并且提取的特征具有物理意义;
步骤(7.2.2)引入拉普拉斯小波优化SWK;
步骤(7.2.3)结合步骤(7.2.1)的SWK与步骤(7.2.2)中的拉普拉斯小波的实部获得拉普拉斯小波的字典;
步骤(7.2.4)利用sigmoid激活函数对拉普拉斯小波字典的指数部分进行归一化处理;
步骤(7.3)使用步骤(7.2.4)所得的优化时域编码器第一层卷积的参数,时域编码器的卷积前向传播;
步骤(7.4),最后,将优化后的编码器使用交叉熵损失函数进行训练,以识别故障类型。
2.如权利要求1所述的基于数字孪生辅助的轴承智能故障诊断方法,其特征在于,所述第三步的过程如下:步骤(3.1)使用加速度传感器从PEL中获取轴承检测对象数据,根据获取的数据构建轴承动力学模型;
步骤(3.2)获得轴承钢珠和轴承滚道之间在水平和垂直方向上的赫兹接触力;
步骤(3.3)获得轴承钢珠和轴承滚道之间的阻尼力;
步骤(3.4)构建检测对象DO中的轴承动态仿真模型控制公式。
3.如权利要求1所述的基于数字孪生辅助的轴承智能故障诊断方法,其特征在于,所述第四步的过程如下:步骤(4.1)数据采集,通过利用TCP/IP通信协议,获取DO中轴承的运行数据;
步骤(4.2)基于现有的轴承运行数据,在DIL中使用数据增强方法生成对应仿真数据。
4.如权利要求3所述的基于数字孪生辅助的轴承智能故障诊断方法,其特征在于,所述步骤(4.2)的过程为:步骤(4.2.1)对于采集到的真实数据进行随机的时移变换操作,将数据沿时间轴上的正轴方向或者负轴方向进行平移或移动;
步骤(4.2.2)随机对真实数据进行水平翻转操作;
步骤(4.2.3)随机对真实数据进行垂直翻转操作;
步骤(4.2.4)随机对真实数据进行中心翻转操作;
步骤(4.2.5)将原始的时域数据进行缩放操作;
步骤(4.2.6)将原始的时域数据进行高斯噪音数据增强后的操作;
步骤(4.2.7)将原始的时域数据进行随机的遮掩操作;
步骤(4.2.8)将原始的时域数据进行随机的增强操作,步骤(4.2.9)将原始的时域数据进行随机的减少操作,步骤(4.2.10)对采集到的数据进行渐变操作。
5.如权利要求1所述的一种基于数字孪生辅助的轴承智能故障诊断方法,其特征在于,所述步骤(6.7)的过程为:步骤(6.7.1)将第五步获得的无标签的时域数据与步骤(6.2)无标签的频域数据,分别输入到步骤(6.6)的时域编码器与频域编码器,得到频域表示、时域表示;
步骤(6.7.2)通过全连接层FC、ReLU、批量归一化层BN获得频率特征向量与时域特征向量;
步骤(6.7.3)通过频率特征向量与时域特征向量生成互相关损失矩阵CCLM,然后从互相关损失矩阵CCLM得到损失函数Loss;
步骤(6.7.4),基于损失函数,使用反向传播原理计算时域编码器与频域编码器的梯度,并利用梯度信息结合SGD优化器对与进行训练参数更新。